자동화 컨테이너 터미널의 장치장은 수출입 되기 전의 컨테이너를 임시로 보관하는 장소이다. 모든 컨테이너는 반드시 장치장을 거치기 때문에 효율적인 장치장 운영은 터미널 생산성 향상에 큰 영향을 미친다. 효율적인 장치장 운영을 위해서 컨테이너의 위치 선정은 매우 중요하며 보통 컨테이너의 적재 위치는 컨테이너가 장치장으로 들어올 때 정해진다. 하지만 컨테이너가 처음에 최적의 장치 위치로 적재 되었더라도 시간이 흐름에 따라 최적의 위치가 달라질 수 있다. 이에 대부분 터미널에서는 컨테이너를 좋은 위치로 재배치하는 재정돈을 수행하고 있다. 기존 연구에서 재정돈에 관한 여러 가지 방안이 제시되었지만 모두 본 작업이 없는 크레인 유휴 시간을 이용하는 것을 전제로 하여 현실적으로 적용에 제약이 있었다. 본 논문에서는 본 작업 중에 언제라도 기회가 있을 때마다 재정돈을 수행할 수 있는 크레인 작업 할당 방안을 제안한다. 시뮬레이션을 통한 실험 결과 제안 방안이 터미널 생산성 향상에 효과적으로 기여함을 확인하였다.
자동화 컨테이너 터미널의 장치장은 수출입 되기 전의 컨테이너를 임시로 보관하는 장소이다. 모든 컨테이너는 반드시 장치장을 거치기 때문에 효율적인 장치장 운영은 터미널 생산성 향상에 큰 영향을 미친다. 효율적인 장치장 운영을 위해서 컨테이너의 위치 선정은 매우 중요하며 보통 컨테이너의 적재 위치는 컨테이너가 장치장으로 들어올 때 정해진다. 하지만 컨테이너가 처음에 최적의 장치 위치로 적재 되었더라도 시간이 흐름에 따라 최적의 위치가 달라질 수 있다. 이에 대부분 터미널에서는 컨테이너를 좋은 위치로 재배치하는 재정돈을 수행하고 있다. 기존 연구에서 재정돈에 관한 여러 가지 방안이 제시되었지만 모두 본 작업이 없는 크레인 유휴 시간을 이용하는 것을 전제로 하여 현실적으로 적용에 제약이 있었다. 본 논문에서는 본 작업 중에 언제라도 기회가 있을 때마다 재정돈을 수행할 수 있는 크레인 작업 할당 방안을 제안한다. 시뮬레이션을 통한 실험 결과 제안 방안이 터미널 생산성 향상에 효과적으로 기여함을 확인하였다.
In container terminals, stacking yard is the place where import and export containers are temporarily stored before being loaded onto or after being discharged from a ship. Since all the containers go through the stacking yard in their logistic flow, the productivity of the terminal critically depen...
In container terminals, stacking yard is the place where import and export containers are temporarily stored before being loaded onto or after being discharged from a ship. Since all the containers go through the stacking yard in their logistic flow, the productivity of the terminal critically depends on efficient operation of stacking yard, which again depends on how well the stacking locations of the incoming containers are determined. However, a good location for stacking an incoming container later can turn out to be a bad one when that container is to be fetched out of the stacking yard, especially if some rehandling is required. This means that good locations for the containers are changing over time. Therefore, in most container terminals, the so-called remarshaling is done to move the containers from bad location to good locations. Although there are many previous works on remarshaling, they all assume that the remarshaling can be done separately from the main jobs when the cranes are idle for rather a long period of time. However, in reality, cranes are hardly available for a period long enough for remarshaling. This paper proposes a crane dispatching strategy that allows remarshaling jobs to be mixed together with the main jobs whenever an opportunity is detected. Experimental results by simulation reveals that the proposed method effectively contributes to the improvement of terminal productivity.
In container terminals, stacking yard is the place where import and export containers are temporarily stored before being loaded onto or after being discharged from a ship. Since all the containers go through the stacking yard in their logistic flow, the productivity of the terminal critically depends on efficient operation of stacking yard, which again depends on how well the stacking locations of the incoming containers are determined. However, a good location for stacking an incoming container later can turn out to be a bad one when that container is to be fetched out of the stacking yard, especially if some rehandling is required. This means that good locations for the containers are changing over time. Therefore, in most container terminals, the so-called remarshaling is done to move the containers from bad location to good locations. Although there are many previous works on remarshaling, they all assume that the remarshaling can be done separately from the main jobs when the cranes are idle for rather a long period of time. However, in reality, cranes are hardly available for a period long enough for remarshaling. This paper proposes a crane dispatching strategy that allows remarshaling jobs to be mixed together with the main jobs whenever an opportunity is detected. Experimental results by simulation reveals that the proposed method effectively contributes to the improvement of terminal productivity.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 기존 재정돈 연구의 문제였던 현실적 제약과 실시간 제약을 해결할 수 있는 크레인 작업 할당 방안을 제안한다. 크레인 작업 할당에 영향을 미치는 여러 지표들의 가중 합으로 이뤄진 점수 함수를 통한 작업 할당 전략을 고안하였으며 이는 Wu et al.
본 논문에서는 재정돈 작업을 포함한 장치장 크레인 작업 할당 문제를 작업 할당 전략을 이용한 방안으로 해결하였다. 제안 방안은 크레인에 할당 가능한 후보 작업 중 최적화된 전략에 의해 가장 좋은 평가 값을 갖는 크레인에 할당한다.
제안 방법
(2012)의 방안에서는 보조 작업을 일반 작업과 같이 독립적인 작업으로 취급하여 두 크레인 중 작업부하가 적은 크레인이 다른 크레인에 할당된 작업의 보조 작업을 수행하게끔 유도하였다. 또한 서론에서 언급한 실시간 제약을 해결하기 위해 점수 함수 형태의 작업 할당 전략으로 계획상의 일반 작업 및 보조 작업을 평가하여 가장 높은 점수의 작업을 크레인에 할당하였다. 하지만 이 방안에는 재정돈을 전혀 고려하지 않기 때문에 본 논문에서는 Wu et al.
(2012)이 제안한 일반 작업을 위한 크레인 작업 할당 전략 방안에 재정돈을 포함시켜 보강한 것이다. 또한 유전 알고리즘을 이용하여 전략의 최적화를 수행하였다.
작업 전략은 여러 평가 요소의 가중 합 형태로 구성하였고 가중치 조합을 유전 알고리즘을 이용하여 탐색하였다. 또한 재정돈 작업의 수행을 위한 재정돈 대상 컨테이너의 선정 및 우선순위를 결정하는 방안을 제안하였다.
‘No RM’이 재정돈을 수행하지 않았을 때를 나타내고 ‘RM’이 재정돈을 수행 했을 때를 나타낸다. 또한 제안 방안이 어느 정도 최적화가 됐는지 가늠하기 위하여 이상적인 경우를 추가 비교하였다. 제안 방안의 결과와 이상적인 경우의 결과 값의 차이가 작을수록 최적화가 잘 되었다고 판단할 수 있을 것이다.
각 평가 요소는 경험적으로 얻은 지식을 바탕으로 개발하였지만 어떤 평가 요소가 다른 평가 요소에 비해 상대적으로 얼마나 중요한지는 알 수 없으므로 전략을 최적화하려면 각 평가 요소의 가중치를 최적의 값으로 설정하여야 한다. 본 논문에서는 유전 알고리즘을 이용하여 가중치 값들을 탐색하며 Fig. 7과 같이 알고리즘을 구성하였다.
반대로 육측 크레인에 의해 반출되어야 하는 컨테이너가 해측 영역에 적재되어 있는 경우 해측 영역에서 육측 영역으로의 재배치 작업을 생성한다. 본 논문에서는 장치장을 균등한 크기로 5영역으로 나누어 해측의 두 영역을 해측 영역으로, 육측의 두 영역을 육측 영역으로, 남은 가운데의 한 영역을 중간 영역으로 정의하였다.
본 연구에서 제안한 방안을 평가하기 위하여 제안 방안의 전략을 적용하여 시뮬레이션을 이용한 실험을 하였다. 실험에 사용된 시뮬레이션 시스템은 Park et al.
이렇게 구성한 후보 작업 집합에서 크레인에 할당 할 작업을 선택하기 위해 작업 할당 전략을 이용하여 각 후보 작업의 평가 값을 계산한다. 본 논문에서 사용하는 작업 할당 전략은 Table 4에 기재된 8개의 평가 요소로 구성된다.
적합도 함수는 전략의 해측 생산성 평가를 위한 내부 이송차량의 지연 시간(DAGV)과 육측 생산성 평가를 위한 외부트럭의 대기 시간(DET), 여기에 추가로 크레인 무부하 이동거리(E)와 하루 평균 일반 작업 누락 개수(NF)로 구성하였으며 이 값들은 시뮬레이션을 수행한 결과로 얻어진다. 이렇게 얻어진 적합도 값이 작은 값을 선호하는 방향으로 탐색을 수행하였다.
크레인 작업 할당 전략의 최적화를 위한 유전 알고리즘 집단의 크기는 100으로 500세대 동안 진화하여 총 50,000번의 평가를 하였다. 이렇게 얻은 크레인 작업 할당 전략으로 시뮬레이션을 하여 재정돈 작업을 병행했을 때(제안 방안)와 병행하지 않았을 때(기존 방안)의 장치장 작업 효율을 비교하였다. 해측 생산성을 비교하기 위해 작업 당 평균 내부 이송차량의 지연시간을, 육측 생산성을 비교하기 위해 작업 당 평균 외부 트럭 지연시간을 측정하여 총 10번 실험한 결과의 평균값으로 비교하였다.
제안 방안은 크레인에 할당 가능한 후보 작업 중 최적화된 전략에 의해 가장 좋은 평가 값을 갖는 크레인에 할당한다. 작업 전략은 여러 평가 요소의 가중 합 형태로 구성하였고 가중치 조합을 유전 알고리즘을 이용하여 탐색하였다. 또한 재정돈 작업의 수행을 위한 재정돈 대상 컨테이너의 선정 및 우선순위를 결정하는 방안을 제안하였다.
장치장 시뮬레이션을 위해서는 크레인 작업할당 알고리즘과 컨테이너의 적재 위치를 결정하는 장치위치 결정 알고리즘이 필요한데 크레인 작업할당은 본 논문에서 제안하는 방안을 사용하였고 장치위치 결정 방안은 Choe et al.(2013b)가 제안한 방안을 사용하였다.
실험 환경은 Table 5와 같이 구성하였으며 컨테이너 터미널 장치장 중 하나의 블록을 대상으로 시뮬레이션을 수행하였다. 장치장이 안정적으로 운영될 때 평가를 하기 위하여 7일 동안 시뮬레이션 한 후 다음 3일의 결과를 측정하였다.
따라서 해들이 얼마나 문제의 답에 적합한지 평가할 수 있는 적합도 함수가 필요하며 본 논문과 같은 경우 전략을 해로 표현했기 때문에 적합도 함수는 식 (4)와 같이 나타내었다. 적합도 함수는 전략의 해측 생산성 평가를 위한 내부 이송차량의 지연 시간(DAGV)과 육측 생산성 평가를 위한 외부트럭의 대기 시간(DET), 여기에 추가로 크레인 무부하 이동거리(E)와 하루 평균 일반 작업 누락 개수(NF)로 구성하였으며 이 값들은 시뮬레이션을 수행한 결과로 얻어진다. 이렇게 얻어진 적합도 값이 작은 값을 선호하는 방향으로 탐색을 수행하였다.
본 논문에서는 재정돈 작업을 포함한 장치장 크레인 작업 할당 문제를 작업 할당 전략을 이용한 방안으로 해결하였다. 제안 방안은 크레인에 할당 가능한 후보 작업 중 최적화된 전략에 의해 가장 좋은 평가 값을 갖는 크레인에 할당한다. 작업 전략은 여러 평가 요소의 가중 합 형태로 구성하였고 가중치 조합을 유전 알고리즘을 이용하여 탐색하였다.
크레인 작업 할당 전략의 최적화를 위한 유전 알고리즘 집단의 크기는 100으로 500세대 동안 진화하여 총 50,000번의 평가를 하였다. 이렇게 얻은 크레인 작업 할당 전략으로 시뮬레이션을 하여 재정돈 작업을 병행했을 때(제안 방안)와 병행하지 않았을 때(기존 방안)의 장치장 작업 효율을 비교하였다.
평가 함수 각 요소의 가중치는 일반적으로 해측 생산성이 육측 생산성보다 중요하므로 {wAGV : 50, wET : 1, wE : 30, wF : 10}으로 설정하였다.
대상 데이터
본 논문에서는 Fig. 1과 같이 장치장의 블록이 안벽에 대하여 수직으로 배치되어 있는 수직형 자동화 컨테이너 터미널을 대상으로 하고 있다. 안벽과 장치장 사이의 컨테이너 운송은 내부 이송 차량(AGV: Automated Guided Vehicle)이 담당하고 장치장과 게이트 사이의 운송은 외부 트럭(ET: External Truck)이 담당한다.
실험 환경은 Table 5와 같이 구성하였으며 컨테이너 터미널 장치장 중 하나의 블록을 대상으로 시뮬레이션을 수행하였다. 장치장이 안정적으로 운영될 때 평가를 하기 위하여 7일 동안 시뮬레이션 한 후 다음 3일의 결과를 측정하였다.
데이터처리
이렇게 얻은 크레인 작업 할당 전략으로 시뮬레이션을 하여 재정돈 작업을 병행했을 때(제안 방안)와 병행하지 않았을 때(기존 방안)의 장치장 작업 효율을 비교하였다. 해측 생산성을 비교하기 위해 작업 당 평균 내부 이송차량의 지연시간을, 육측 생산성을 비교하기 위해 작업 당 평균 외부 트럭 지연시간을 측정하여 총 10번 실험한 결과의 평균값으로 비교하였다. ‘No RM’이 재정돈을 수행하지 않았을 때를 나타내고 ‘RM’이 재정돈을 수행 했을 때를 나타낸다.
이론/모형
장치장 시뮬레이션을 위해서는 크레인 작업할당 알고리즘과 컨테이너의 적재 위치를 결정하는 장치위치 결정 알고리즘이 필요한데 크레인 작업할당은 본 논문에서 제안하는 방안을 사용하였고 장치위치 결정 방안은 Choe et al.(2013b)가 제안한 방안을 사용하였다. 하지만 Choe et al.
세대 구성을 위한 부모 선택 방법은 이진 토너먼트 선택(binary tournament selection) 방법을, 교배 및 돌연변이 연산자는 실수 형태의 개체를 다루기 위한 모의 의진 교차(simulated binary crossover), 비 균등 돌연변이 기법(non-uniform mutation)을 사용하였다.
성능/효과
하지만 실제로 장치장 운영 사이 사이 발생하는 유휴 시간을 활용하여 재정돈 작업을 수행하므로 손실로 추정되는 소요 시간은 이보다 더 적을 것이다. 그리고 재취급 횟수 측정 결과 재정돈을 수행 했을 때가 재정돈을 하지 않을 때보다 재취급 작업 발생이 확연히 줄어드는 것을 확인할 수 있었다. 특히 적하를 위한 재취급의 경우 상당한 차이를 보이는데 이러한 차이가 재정돈을 하였을 때 장치장 성능을 향상시키는 원인으로 작용함을 알 수 있다.
이는 본선 작업 중 잠깐의 유휴시간이 날 때 마다 재정돈 작업을 하는 것이 생산성 향상에 상당히 효과가 있다는 것을 의미한다. 또한 이상적인 경우와 비교했을 때 생산성 차이가 크지 않은 것을 확인 하였으며 이는 제안 방안의 전략이 잘 최적화 되었음을 의미한다.
또한 제안 방안은 작업을 평가하는데 많은 계산 비용을 요구하지 않으므로 실시간 컨테이너 터미널에 적합하며 현재와 미래의 터미널 생산성을 높일 수 있다.
실험 결과, 재정돈을 수행하는 제안 방안이 수행하지 않는 경우에 비해 생산성이 확연히 향상됨을 확인할 수 있었다. 이는 본선 작업 중 잠깐의 유휴시간이 날 때 마다 재정돈 작업을 하는 것이 생산성 향상에 상당히 효과가 있다는 것을 의미한다.
실험 결과, 제안 방안은 재정돈을 수행하지 않는 경우에 비해 내부 이송차량과 외부트럭의 지연 시간이 감소하여 장치장 생산성이 개선됨을 확인하였으며 이상적인 경우와도 근소한 차이를 보여 최적화가 잘 되었음을 확인하였다.
또한 제안 방안이 어느 정도 최적화가 됐는지 가늠하기 위하여 이상적인 경우를 추가 비교하였다. 제안 방안의 결과와 이상적인 경우의 결과 값의 차이가 작을수록 최적화가 잘 되었다고 판단할 수 있을 것이다. ‘Ideal’이 이상적인 경우를 나타내며 재정돈 작업을 수행 할 시 걸리는 시간을 0이라고 설정하고 실험한 것이다.
이 중 몇 가지 요소에 대해 자세히 설명하자면, E는 크레인의 무 부하 이동시간을 나타내는 요소로 현재 크레인의 위치에서 작업 시작 위치까지의 이동시간을 의미한다. 즉 크레인이 컨테이너의 운반 없이 이동하는 시간을 값으로 평가한 것으로 이 값이 작을수록 크레인 작업 효율은 높다고 볼 수 있다.
후속연구
재정돈 작업 수행 시간이 크면 클수록 손실이 많이 발생한다고 추정 할 수 있을 것이다. 반대로 미래에 얻는 이득을 알아보려면 재취급 작업 발생 정도를 알아보면 될 것이다. 재취급 작업 발생이 줄어드는 정도가 미래에 얻는 이득이라고 추정할 수 있기 때문이다.
질의응답
핵심어
질문
논문에서 추출한 답변
자동화 컨테이너 터미널의 장치장은 무엇인가?
자동화 컨테이너 터미널의 장치장은 수출입 되기 전의 컨테이너를 임시로 보관하는 장소이다. 모든 컨테이너는 반드시 장치장을 거치기 때문에 효율적인 장치장 운영은 터미널 생산성 향상에 큰 영향을 미친다.
효율적인 장치장 운영을 위해 중요한 것은?
모든 컨테이너는 반드시 장치장을 거치기 때문에 효율적인 장치장 운영은 터미널 생산성 향상에 큰 영향을 미친다. 효율적인 장치장 운영을 위해서 컨테이너의 위치 선정은 매우 중요하며 보통 컨테이너의 적재 위치는 컨테이너가 장치장으로 들어올 때 정해진다. 하지만 컨테이너가 처음에 최적의 장치 위치로 적재 되었더라도 시간이 흐름에 따라 최적의 위치가 달라질 수 있다.
터미널에서 컨테이너를 좋은 위치로 재배치 진행을 하는 이유는?
효율적인 장치장 운영을 위해서 컨테이너의 위치 선정은 매우 중요하며 보통 컨테이너의 적재 위치는 컨테이너가 장치장으로 들어올 때 정해진다. 하지만 컨테이너가 처음에 최적의 장치 위치로 적재 되었더라도 시간이 흐름에 따라 최적의 위치가 달라질 수 있다. 이에 대부분 터미널에서는 컨테이너를 좋은 위치로 재배치하는 재정돈을 수행하고 있다.
참고문헌 (9)
Choe, R., Kim, T. S., Kim, T., and Ryu, K. R.(2013a), "Crane Scheduling for Opportunistic Remarshaling of Containers in an Automated Stacking Yard", Flexible Services and Manufacturing Journal (online).
Choe, R., Jang, H., and Ryu, K. R.(2013b), "Deriving a Robust Policy for Container Stacking Using a Noise-Tolerant Genetic Alogorithm", Information-an International Interdisciplinary Journal, Vol. 16, No. 8(B), pp. 6219-6242.
Dekker, R., Voogd, P. and Asperen, E. V.(2007), "Advanced Methods for Container Stacking", Container Terminals and Cargo Systems, pp. 131-154.
Hirashima, Y., Ishikawa, N., and Takeda, K.(2006), "A New Reinforcement Learning for Group-Based Marshalling Plan Considering Desired Layout of Containers in Port Terminals", Proceedings of IEEE Conference on Networking, Sensing and Control, pp. 670-675.
Kang, J., Oh, M. S., Ahn, E. Y., Ryu, K. R., and Kim, K. H.(2006), "Planning for Intra-block Remarshalling in a Container Terminal", Proceedings of International Conference on Industrial Engineering and Other Applications of Applied Intelligent Systems, pp. 1211-1220.
Park, T., Kim, J., and Ryu, K. R.(2010a). "Iterative Replanning using Genetic Algorithms for Remarshaling in a Container Terminal," Proceedings of IASTED International Conference on Artificial Intelligence and Applications(AIA 2010).
Park, T., Choe, R., Ok, S. M., and Ryu, K. R.(2010b). "Real-time Scheduling for Twin RMGs in an Automated Container", OR Spectrum, Vol. 3, pp. 593-615.
Park, T., Choe, R., Kim, Y. H., and Ryu, K. R.(2011), "Dynamic Adjustment of Container Stacking Policy in an Automated Container Terminal", International Journal of Production Economics, Vol. 133, pp. 385-392.
Wu, J., Yang, Y., Choe, R., Ryu, K. R.(2012), "Automated Stacking Crane Dispatching Strategy in a Container Terminal using Genetic Algorithm", Journal of Navigation and Port Research, Vol. 36, No. 5, pp. 17-24.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.